arXiv · 机器人与计算机视觉· Rafael M. Mamede, Pedro C. Neto, Ana F. Sequeira·· 2026-10-12AI 评分72
对抗样本如何在深度伪造检测器间跨域转移?
What Makes Adversarial Examples Transfer Across Deepfake Detectors?
AI 导读
该论文研究了深度伪造检测器在面对黑盒迁移攻击时的脆弱性,发现源模型与目标模型的架构、预训练机制或训练数据匹配度显著影响攻击成功率。研究对比了AutoAttack和CW-EOT两种攻击方法在不同兼容性条件下的表现,并发布了24万张对抗扰动图像及评估代码,为可信的黑盒鲁棒性评估提供了关键维度。
来源:arXiv · 机器人与计算机视觉 · arxiv.org